基于DPP的非独立同分布数据联邦学习客户端选择
机器学习
2023-03-31 v1
摘要
本文提出一种客户端选择（CS）方法，以解决联邦学习（FL）的通信瓶颈，同时应对FL的数据异构问题。具体而言，我们首先分析CS在FL中的作用，并指出通过适当选择每轮训练的参与者以使训练数据集多样化，可加速FL训练。基于此，我们利用数据画像与行列式点过程（DPP）采样技术，开发了一种称为基于DPP的参与者选择的联邦学习（FL-DPS）的算法。该算法在保护数据隐私的同时，有效使每轮训练参与者的数据集多样化。我们进行了大量实验以检验所提方法的有效性。结果表明，与若干基线相比，我们的方案获得了更快的收敛速度以及更小的通信开销。
引用
@article{arxiv.2303.17358,
title = {DPP-based Client Selection for Federated Learning with Non-IID Data},
author = {Yuxuan Zhang and Chao Xu and Howard H. Yang and Xijun Wang and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2303.17358},
year = {2023}
}